EP4070262A1 - Verfahren zur identifikation von industriesteckverbindern - Google Patents

Verfahren zur identifikation von industriesteckverbindern

Info

Publication number
EP4070262A1
EP4070262A1 EP20824888.0A EP20824888A EP4070262A1 EP 4070262 A1 EP4070262 A1 EP 4070262A1 EP 20824888 A EP20824888 A EP 20824888A EP 4070262 A1 EP4070262 A1 EP 4070262A1
Authority
EP
European Patent Office
Prior art keywords
connector
components
type
shape
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20824888.0A
Other languages
English (en)
French (fr)
Inventor
Oliver Beyer
Felix Loske
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harting Electric Stiftung and Co KG
Original Assignee
Harting Electric Stiftung and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harting Electric Stiftung and Co KG filed Critical Harting Electric Stiftung and Co KG
Publication of EP4070262A1 publication Critical patent/EP4070262A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the invention is based on a method for identifying industrial connectors according to the preamble of independent claim 1.
  • Processes for the identification of industrial connectors are required by connector suppliers in order to answer product-specific customer questions and, if necessary, to create suitable offers for the respective customer as a result.
  • the customer inquiries usually relate to connector systems already available at the customer's premises and corresponding compatibilities, i.e. the same or alternative components that match the connector system and have the same or different functional categories.
  • Function categories can be - for example, but not limited to: electrical energy transmission, electronic signal transmission (analog and digital), optical and opto-electronic signal transmission, pneumatics, e.g. B. air pressure transmission, and also measurement technology, e.g. B. heat measurement, oscillation / vibration / sound measurement and in particular current / voltage / electrical energy sensors, motion measurement, light measurement (photometric values) and also data technology, e.g. B. Digital electronic data storage modules, switches, decentralized computer units.
  • Image files etc., to receive, analyze and answer.
  • the object of the invention is to present a method for identifying industrial connectors, which saves a connector supplier personnel costs and quickly and reliably ensures a consistently high quality standard for its customers, even in global data traffic.
  • One method is used to identify industrial connectors and has the following steps: a. Automatic identification of components of an industrial connector from at least one image file; b. Analysis of the geometric relationships and / or functional relationships between the components; c. Extraction of individual features of the components from the image file using information obtained from step b.
  • This is particularly advantageous because this method can be carried out automatically and without manual, ie human, intervention. Regardless of the time of day and date, inquiries from all over the world can be processed immediately, competently and with a consistently high level of quality by a computer program that runs on a computer server in-house or, advantageously, with little maintenance in a cloud application.
  • the computing server can have at least one microprocessor and a combined program / data memory. The method can be stored in the data memory as part of the computer program.
  • the invention also has the advantage that the identification of the components can be used to monitor the assembly process of the connector. In this way, it is easy to check whether the components have been put together sensibly and correctly. This advantageously enables an equally automatic quality assurance, e.g. in the case of automatic assembly, assembly and / or installation.
  • step c takes place using information obtained from step b.
  • special knowledge about connector systems can be taken into account in the method, for example with regard to codings, affiliations to systems, dimensions, etc., which must be fulfilled so that the components fit together.
  • This knowledge can previously, i. H. have already been introduced into the process before process step a, by programming the computer program by or with the support of a specialist.
  • method step a can advantageously include at least the following two sub-steps: a1. automatic visual recognition of the components as individual objects by means of artificial intelligence (Kl); a2. Allocation of the components to component categories of the plug connection.
  • Kl artificial intelligence
  • step a1 and a2 can, for example by means of suitable software, sometimes also in reverse order and / or also together, that is to say essentially simultaneously, in which both comprehensive method step a are processed.
  • step a1 not only does step a1 have an effect on step a2, but also step a2 again on step a1, in that the visual recognition is also improved by the possible association.
  • the Kl is thus better able to separate an individual component as such if it increasingly understands which component category it could possibly be.
  • Both visual recognition and programmed knowledge and / or self-learned experiences play an essential role in the process.
  • the identified components can also be assigned to at least one functional category in method step a2.
  • the system can be “learned” beforehand, that is to say even before method step a, to identify and characterize the components manually, that is to say by means of a human activity.
  • component categories such as B. "connector housing”, “contact insert”, “connector modular frame”, “connector modules” are trained, but it can also be assigned specific type designations for a previously made selection of components. These assignments are made according to those categories that were previously taught to the system when training its artificial intelligence (Kl).
  • Kl artificial intelligence
  • the system learns beforehand from manually created training tables in conjunction with training images. As a result of this learning process, the system is then able, in said method step a2, to independently assign the components found therein to these component categories for newly added image files - or defined parts thereof.
  • the aforementioned training is initially carried out manually before the implementation of method step a.
  • the training includes the process of initially reading in a large number of training images and assigning the respective component categories to the associated training images, e.g. B. by means of training tables can be assigned manually.
  • the assignment can then be made by assigning a line in the training table to each training image per component.
  • the training table also has a column for the component category and four columns that describe the exact position of the component in the X and Y axes and its height and width in the image.
  • a training picture shows a specific contact.
  • the contact insert has a designation, for example "Han A - Quicklock connection” and / or an article number, e.g. B.
  • the training table then has exactly one line for the combination of training image and component, in which, for example, the entry "Bild4711" for the training image, "Han A - Quicklock connection” or
  • the component and the position information, for example the numerical values “54, 110, 150, 75” for the X-Y position, as well as the height and width of the component can be found.
  • Expert, position and dimension (height / width) were entered manually beforehand by a specialist. If article numbers are used, it can be particularly advantageous if these are systematically maintained, i.e. components that differ only slightly, also have article numbers that are somewhat similar to one another, e.g. B. differ only in their last position or several last positions. In this case, the training table can optionally also be provided with reduced article numbers or the Kl can make a rough assignment in some other way.
  • an article number of a component can also be used to represent similar components in order to achieve a somewhat coarser grid and thereby a meaningful assignment. For example, in this way different contact inserts, which differ only in the color of their cable connection actuator, can be assigned to a common component category despite their minimal difference.
  • the Kl adjusts the weights of its neural connections using a large number of training images so that it is able to determine the components located on the images, including their position and dimensions.
  • the KI is able to independently extract relevant features (such as edges, textures, etc.) for the determination and can thus identify unknown images that contain the trained components even beyond the training.
  • this principle can also be applied in the same way to any other visual identifier via a training table.
  • it is a statistical one Evaluation makes sense, in which the visual characteristics of each individual training image can be viewed as a so-called “sample”, that is, as a random selection of data from the entirety of the characteristics relating to the respective characteristic.
  • process step a can then be made from each image files z. B. originate from customer inquiries, all the components known to the Kl identified (that is, assigned to a known category, such as "connector housing") and localized.
  • the objects can also be assigned to specific designs in the same way. If the component category is trained specifically for very specific products, not just in general z. B. to "connector housing” or “contact insert”, but, as described in the example above, to "Han A - Quicklock connection” / article number "09200032633", the objects to be analyzed are then assigned to these component categories.
  • the training can also relate to specific, known features of the respective components.
  • the Kl can also be trained with regard to material and / or manufacturing processes, among other things. This then makes sense with training images that correspond to the manufacturing processes and materials used in the respective area.
  • the objects shown on the training images do not necessarily have to show components that originate from the connector area, they only have to show the corresponding production and material-specific components Have peculiarities.
  • the Kl can also exclusively with training images of components from the connector area and in particular precisely with the components in question, such. B. connector housings happen, but then the focus of the features is on the material and the manufacturing process.
  • the training can be empirically adapted to the respective learning success to be checked manually.
  • a very special embodiment it is also possible, for example, to subsequently assign the objects identified as “connector housings” in a first step to the corresponding material and / or manufacturing process, e.g. B. zinc alloy, die-casting process or even the zinc die-casting process, and so make a pre-selection from which a final product-specific allocation takes place in a third step.
  • the corresponding material and / or manufacturing process e.g. B. zinc alloy, die-casting process or even the zinc die-casting process
  • Connector housing contact inserts (insulator) can be identified.
  • the connector housings can also be classified functionally into sleeve housings, add-on housings and base housings. Alternatively or in addition, they can be assigned to specific products according to material and manufacturing process, but alternatively or additionally.
  • the connector housing can be characterized by one or more of the following features: o presence and, if applicable, type and shape of a cable gland, o type and shape of a housing lock; o type and shape of a seal; o presence and, if applicable, type of its coding and / or polarization device; geometric dimensions of the connector housing, as well as o its material and / or its manufacturing process; o Presence and, if applicable, type and shape of a PE (Protective Earth) element; o Existence and, if applicable, number and form of one or more PE bridges.
  • PE Protecte
  • PE Electronic Earth
  • the contact inserts can be characterized by at least one of the following features: their size and geometric shape; o at least one function category; o Presence and, if applicable, the type and shape of a PE (Protective Earth) element.
  • PE Protected Earth
  • the function category can include at least one of the following features:
  • Analog and / or digital electronic signal transmission optical and / or opto-electronic signal transmission
  • Pneumatics e.g. B. Air pressure transmission
  • the connector modules are further characterized by at least one of the following features: their geometric dimensions; o their function category; o Type and shape of their locking means.
  • the function category can be formed by one of the following features:
  • Analog and / or digital electronic signal transmission optical and optoelectronic signal transmission;
  • Pneumatics e.g. B. Air pressure transmission
  • the aforementioned functional category “measurement technology” can also include at least one of the following sub-categories: o heat measurement; o vibration and / or sound and vibration measurement; o current sensors; o voltage measurement; o Electrical energy measurement; o light measurement (photometric quantities); o translation and / or rotation speed measurement;
  • the aforementioned functional category “data technology” can include at least one of the following sub-categories: digital electronic data storage; o data distribution (e.g. switches); o Data processing (e.g. decentralized computer units).
  • a connector module frame can be characterized by at least one of the following features: o number of its slots; o Type and shape of its mechanism for receiving and fixing the connector modules; o stability / suitability for pneumatics; o its material (e.g. metal or plastic) and / or its manufacturing process; o Existence and, if applicable, the type and form of its PE earthing.
  • the method can combine, in the aforementioned manner, an artificial intelligence (K1) -based automatic visual recognition (typically by means of “convolutional neural networks (CNNs)”) with a subsequent algorithmic image processing.
  • K1 artificial intelligence
  • CNNs convolutional neural networks
  • the learning process and the analysis of individual components are advantageously carried out taking into account the physical structure of other components of the connector system and in particular of the entire connector system.
  • the proposed process can be used to identify, for example, the stretch connector housing, the modular connector frame and the inserts particularly precisely and, in particular, describe them geometrically according to their functional relationship to one another.
  • the advantageous sequential processing chain of connector identification and algorithmic analysis enables a hierarchical description of the connector system.
  • the method according to the invention is characterized in particular by the combination of an artificial intelligence (K1) -based automatic visual recognition, for example by means of "convolutional neural networks” (CNNs), and the subsequent algorithmic image processing, taking into account the physical structure of a connector system, that is the functional and geometric relationship to each other.
  • K1 artificial intelligence
  • CNNs convolutional neural networks
  • FIG. 1 shows an image to be analyzed of a connector 1 to be identified.
  • the image shows in detail an add-on housing 10 with a locking bracket 11.
  • a modular connector frame 2 is screwed into the add-on housing 10.
  • Several connector modules 3, 3 ' , 3 are attached therein, two 3, 3 ' of which are used for electrical energy transmission and one 3" for electrical signal transmission.
  • FIG. 2 shows a flow chart of a method for the automatic identification of the industrial connector 1 from this image file.
  • the method is carried out by means of a computer program on a computer server and comprises the following steps: a. Automatic identification of the components 10, 2, 3, 3 ' , 3 "of the industrial connector 1 from the image file, through automatic visual recognition and assignment of the components 10, 2, 3, 3 ' , 3" as individual objects by means of artificial intelligence (Kl) ; b. Analysis of the geometric relationships and / or functional relationships between the individual Components 10, 2, 3, 3 ' , 3 " ; c. Extraction of individual features of the components from the image file using information obtained from step b.
  • Kl artificial intelligence
  • method step a is again subdivided into method step a1 and method step a2.
  • step a1 the following components are first separated from one another by means of a so-called “convolutional neural network” (CNN), i.e. recognized as different objects.
  • CNN convolutional neural network
  • step a2 they are assigned to the various component categories.
  • step a i.e. in a1 in conjunction with a2
  • the system recognizes the following on the basis of a training session preceding the method:
  • a first object 10 from the category “connector housing”; a second object 2, from the category
  • the objects can also be assigned to specific products, namely their product names and / or article numbers.
  • the program first recognizes the geometric relationships, namely that the connector modules are enclosed by the connector modular frame and that the connector modular frame is enclosed by the connector housing. Using its programmed knowledge, the program concludes that 1.
  • the connector modules 3, 3 ' , 3 are fastened in the connector modular frame 2, that is to say held therein, and that
  • the connector modular frame 2 is fastened in the connector housing, and that
  • the connector modules 3, 3 ' , 3 are compatible with the connector modular frame 2 and the connector modular frame 2 with the housing 10, respectively.
  • these two method steps a1 and a2 are carried out jointly by suitable software, i. H. processed essentially simultaneously in both process step a.
  • step a2 also has an effect again on step a1 in that the visual recognition is already improved by the possible assignment.
  • the Kl is thus better able to separate an individual component as such if it increasingly understands which component category it could possibly be. Both visual recognition and programmed knowledge and / or self-learned experiences play an essential role in the process.
  • the identified components can also be assigned to at least one functional category in method step a2.
  • step c further individual features of the components 10, 2, 3, 3 ' , 3 ′′ are identified.
  • PE Protected Earth
  • the algorithmic image processing relates to special physical characteristics, such as B. repeated arrangements, fixed relationships between frame length and frame width, number and dimension of the modules of a connector system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Manufacturing Of Electrical Connectors (AREA)
  • Details Of Connecting Devices For Male And Female Coupling (AREA)

Abstract

Um einem Steckverbinderanbieter Personalkosten einzusparen und seinen Kunden auch im globalen Datenverkehr zeitnah und zuverlässig einen gleichbleibend hohen Qualitätsstandard zu gewährleisten, wird ein Verfahren zur Identifikation von Industriesteckverbindern mit den folgenden Schritten vorgeschlagen: a. Automatische Identifikation von Bauelementen (10, 2, 3, 3', 3") eines Industriesteckverbinders (1) aus zumindest einer Bilddatei; b. Analyse der geometrischen Beziehungen und/oder funktionalen Zusammenhänge zwischen den Bauelementen (10, 2, 3, 3', 3"); c. Extraktion individueller Merkmale der Bauelemente (10, 2, 3, 3', 3") aus der Bilddatei unter Verwendung von aus Schritt b gewonnen Informationen.

Description

Verfahren zur Identifikation von Industriesteckverbindern
Beschreibung
Die Erfindung geht aus von einem Verfahren zur Identifikation von Industriesteckverbindern nach der Gattung des unabhängigen Anspruchs 1.
Verfahren zur Identifikation von Industriesteckverbindern werden von Steckverbinderanbietern benötigt, um produktspezifische Kundenfragen zu beantworten und gegebenenfalls infolge dessen geeignete Angebote für den jeweiligen Kunden zu erstellen. Die Kundenanfragen beziehen sich üblicherweise auf beim Kunden bereits vorhandene Steckverbindersysteme und entsprechende Kompatibilitäten, also gleiche oder alternative zum Stecksystem passende Bauelemente gleicher oder anderer Funktionskategorien. Funktionskategorien können dabei - beispielhaft aber nicht darauf beschränkt - sein: Elektrische Energieübertragung, elektronische Signalübertragung (analog sowie digital), optische sowie optoektronische Signalübertragung, Pneumatik, z. B. Luftdruckübertragung, sowie des weiteren auch Messtechnik, z. B. Wärmemessung, Schwingungs-/Vibrations-/Schallmessung und insbesondere Strom-/Spannungs-/elektrische Energiesensorik, Bewegungsmessung, Lichtmessung (photometrische Größen) und weiterhin auch Datentechnik, z. B. Digitale elektronische Datenspeichermodule, Switche, dezentrale Rechnereinheiten.
Stand der Technik
Im Stand der Technik ist es bei Steckverbinderanbietern üblich, Kundenanfragen in Form visueller Medien, z. B. digitale Fotos,
Bilddateien, etc., zu erhalten zu analysieren und zu beantworten.
Derzeit werden solche Anfragen durch erfahrene Mitarbeiter des Steckverbinderanbieters manuell und individuell beantwortet. Nachteilig bei diesem Stand der Technik ist, dass diese Verfahren teuer und personenabhängig sind und dadurch für den Kunden insbesondere im internationalen Waren- und Datenverkehr zuweilen unerwünschte Wartezeiten entstehen. Verlässt ein solcher Mitarbeiter das Unternehmen, so muss er sein Wissen schriftlich festhalten und/oder einen Kollegen einarbeiten oder das entsprechende Wissen geht für das Unternehmen möglicherweise verloren. Weiterhin ist dadurch ein gleichbleibender Qualitätsstandard gefährdet.
Aufgabenstellung
Die Aufgabe der Erfindung besteht darin, ein Verfahren zur Identifikation von Industriesteckverbindern vorzustellen, welches einem Steckverbinderanbieter Personalkosten einspart und seinen Kunden auch im globalen Datenverkehr schnell und zuverlässig einen gleichbleibend hohen Qualitätsstandard gewährleistet.
Diese Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelöst.
Vorteilhafte Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben.
Ein Verfahren dient der Identifikation von Industriesteckverbindern und weist die folgenden Schritte auf: a. Automatische Identifikation von Bauelementen eines Industriesteckverbinders aus zumindest einer Bilddatei; b. Analyse der geometrischen Beziehungen und/oder funktionalen Zusammenhänge zwischen den Bauelementen; c. Extraktion individueller Merkmale der Bauelemente aus der Bilddatei unter Verwendung von aus Schritt b gewonnen Informationen. Dies ist besonders vorteilhaft, weil dieses Verfahren automatisch und ohne manuellen, d. h. menschlichen, Eingriff durchgeführt werden kann. Unabhängig von Tageszeit und Datum können Anfragen aus aller Welt sofort, kompetent und mit gleichbleibend hohem Qualitätsniveau von einem Computerprogramm, das beispielsweise auf einem Rechenserver hausintern oder auch vorteilhaft mit wenig Wartungsaufwand in einer Cloudanwendung läuft, bearbeitet werden. Dazu kann der Rechenserver zumindest einen Mikroprozessor und einen kombinierten Programm- /Datenspeicher aufweisen. Das Verfahren kann als Bestandteil des Computerprogramms im Datenspeicher abgelegt sein.
Weiterhin besitzt die Erfindung den Vorteil, dass die Identifikation der Bauelemente für die Überwachung des Assemblierungsprozesses des Steckverbinders genutzt werden kann. Auf diese Weise kann einfach überprüft werden, ob die Komponenten sinnvoll und korrekt zusammengesetzt sind. Dies ermöglicht vorteilhafterweise, z.B. bei einer automatischen Montage, Bestückung und/oder Installation, eine ebenfalls automatische Qualitätssicherung.
Als besonders vorteilhaft hat es sich dabei herausgestellt, dass Verfahrensschritt c unter Verwendung von aus Schritt b gewonnen Informationen erfolgt. Schließlich kann auf dieses Weise spezielles Wissen über Steckverbindersysteme in dem Verfahren berücksichtigt werden, betreffend beispielsweise Kodierungen, Zugehörigkeiten zu Systemen, Abmessungen, etc., die erfüllt sein müssen, damit die Bauteile zusammenpassen. Dieses Wissen kann zuvor, d. h. bereits vor Verfahrensschritt a, durch Programmierung des Computerprogramms durch oder mit Unterstützung eines Fachmanns in das Verfahren eingebracht worden sein.
Der Verfahrensschritt a kann dazu vorteilhafterweise zumindest die beiden folgenden Unterschritte umfassen: a1. automatische visuelle Erkennung der Bauelemente als einzelne Objekte mittels künstlicher Intelligenz (Kl); a2. Zuordnung der Bauelemente zu Bauteilkategorien der Steckverbindung.
Diese beiden Verfahrensschritte a1 und a2 können, beispielsweise durch eine geeignete Software, zuweilen auch in umgekehrter Reihenfolge und/oder auch gemeinsam, also im Wesentlichen gleichzeitig, in dem beide umfassenden Verfahrensschritt a abgearbeitet werden. Im letzteren Fall wirkt sich nämlich nicht nur Schritt a1 auf Schritt a2 sondern auch Schritt a2 auch wieder auf Schritt a1 aus, indem die visuelle Erkennung auch durch die mögliche Zuordnung verbessert wird. Die Kl ist dabei also besser in der Lage, ein einzelnes Bauteil als solches zu separieren, wenn sie zunehmend begreift, um welche Bauteilkategorie es sich dabei gegebenenfalls handeln könnte. Dabei spielen also sowohl visuelle Erkennung als auch programmiertes Wissen und/oder selbsterlernte Erfahrungen für das Verfahren eine wesentliche Rolle.
Optional kann zusätzlich in Verfahrensschritt a2 eine Zuordnung der erkannten Bauelemente zu zumindest einer Funktionskategorie erfolgen.
Zur Ermöglichung des Unterschritts a1 kann das System zuvor, also bereits vor dem Verfahrensschritt a, zur Erkennung und Charakterisierung der Bauelemente manuell, d. h. durch eine menschliche Tätigkeit, „angelernt“ werden. Dabei werden nicht nur Bauelementkategorien, wie z. B. „Steckverbindergehäuse“, „Kontakteinsatz“, „Steckverbindermodularrahmen“, „Steckverbindermodule“ trainiert, sondern es können auch konkrete Typenbezeichnungen für eine zuvor getroffene Auswahl der Bauelemente zugeordnet werden. Diese Zuordnungen erfolgen gemäß denjenigen Kategorien, die dem System zuvor beim Trainieren seiner künstlichen Intelligenz (Kl) beigebracht worden sind. Mittels der künstlichen Intelligenz (Kl) lernt das System dazu zuvor aus manuell erstellten Trainingstabellen in Verbindung mit Trainingsbildern. Durch diesen Lernprozess ist das System daraufhin in der Lage, im besagten Verfahrensschritt a2, für neu hinzugekommene Bilddateien - oder definierte Teile davon - eine Zuordnung der darin aufgefundenen Bauelemente zu diesen Bauelementkategorien selbstständig zu treffen.
Dazu wird also, zeitlich bereits vor der Durchführung des Verfahrensschritts a, zunächst das besagte Training manuell durchgeführt.
Zwar erfordert dies zunächst manuellen, also menschlichen, Aufwand, doch ist dieser prinzipiell nur einmalig notwendig und das Verfahren kann daraufhin beliebig oft, kostengünstig und zu jeder Zeit genutzt werden.
Das Training umfasst dabei den Vorgang, dass zunächst eine Vielzahl von Trainingsbildern eingelesen und die jeweiligen Bauelementkategorien den dazugehörigen Trainingsbildern, z. B. mittels Trainingstabellen, manuell zugeordnet werden.
Die Zuordnung kann dann geschehen, indem jedem Trainingsbild pro Bauelement eine Zeile in der Trainingstabelle zugeordnet wird. In der Trainingstabelle gibt es, neben der Spalte für das referenzierte Trainingsbild, weiterhin eine Spalte zur Bauelementkategorie, sowie vier Spalten die die genaue Position des Bauelements in X-/ und Y-Achse und dessen Höhe und Breite im Bild genau beschreiben.
Beispielsweise zeigt ein Trainingsbild einen bestimmten Kontakteinsatz. Der Kontakteinsatz besitzt eine Bezeichnung, beispielsweise „Han A - Quicklock Anschluss“ und/oder einer Artikelnummer, z. B.
„0920003 2633“. Die Trainingstabelle besitzt dann genau eine Zeile für die Kombination Trainingsbild-Bauelement, in welcher z.B. der Eintrag „Bild4711“ für das Trainingsbild, „Han A - Quicklock Anschluss“ bzw.
„0920003 2633“ für das Bauelement, und die Positionsangaben, beispielsweise die Zahlenwerte „54, 110, 150, 75“ für die X-Y-Position, sowie Höhe und Breite des Bauelements zu finden sind. Kenner, Position und Dimension (Höhe/Breite) wurde zuvor von einem Fachmann händisch eingegeben. Im Falle der Verwendung von Artikelnummern kann es besonders vorteilhaft sein, wenn diese systematisch gepflegt sind, also Bauteile, die sich nur geringfügig unterscheiden, auch Artikelnummern besitzen, welche zueinander eine gewisse Ähnlichkeit aufweisen, z. B. sich lediglich durch ihre letzte Stelle oder mehrere letzte Stellen unterscheiden. In diesem Fall kann die Trainingstabelle gegebenenfalls auch mit reduzierten Artikelnummern versehen werden oder die Kl kann in irgendeiner anderen Weise eine grobe Zuordnung vornehmen. In einer weiteren bevorzugten Ausgestaltung kann eine Artikelnummer eines Bauelements auch stellvertretend für ähnliche Bauelemente verwendet werden, um eine etwas gröbere Rasterung und dadurch eine sinnvolle Zuordnung zu erreichen. Beispielsweise können auf diese Weise verschiedene Kontakteinsätze, die sich lediglich durch die Farbe ihres Kabelanschlussbetätigers unterscheiden, trotz ihrer minimalen Verschiedenheit einer gemeinsamen Bauelementkategorie zugeordnet werden.
Die Kl passt im Rahmen des Trainings über eine Vielzahl von Trainingsbildern die Gewichte ihre neuronalen Verbindungen so an, dass es in der Lage ist, die auf den Bildern befindlichen Bauelement samt Position und Dimension zu bestimmen. Dabei ist die Kl in der Lage eigenständig für die Bestimmung relevante Merkmale (wie Kanten, Texturen, etc.) zu extrahieren und kann somit auch über das Training hinaus unbekannte Bilder, welche die trainierten Bauelemente beinhalten, gleichartig Identifizieren. Selbstverständlich lässt sich dieses Prinzip in gleicherweise auch auf jedes andere visuelle Kennzeichen über eine Trainingstabelle anwenden. Insbesondere ist dabei eine statistische Auswertung sinnvoll, bei der die visuellen Kennzeichen jedes einzelnen Trainingsbilds als eine sogenannte „Stichprobe“, also als eine zufällige Datenauswahl aus der Gesamtheit der Merkmale, betreffend das jeweilige Merkmal, angesehen werden kann.
Im Verfahrensschritt a können daraufhin aus jeder Bilddateien, die z. B. aus Kundenanfragen stammen, alle der Kl bekannten Bauelemente identifiziert (also einer bekannten Kategorie, wie z. B. „Steckverbindergehäuse“, zugeordnet) und lokalisiert werden.
Alternativ oder ergänzend können die Objekte auf gleiche Weise aber auch konkreten Bauformen zugeordnet werden. Wird die Bauteilkategorie also speziell auf ganz bestimmte Produkte trainiert, also nicht nur allgemein z. B. auf „Steckverbindergehäuse“ oder „Kontakteinsatz“, sondern, wie im oben genannten Beispiel beschrieben auf „Han A - Quicklock Anschluss“/ Artikelnummer „09200032633“, so werden die zu analysierenden Objekte daraufhin eben diesen Bauteilkategorien zugeordnet.
Alternativ oder ergänzend kann sich das Training aber auch auf bestimmte, bekannte Merkmale der jeweiligen Bauelemente beziehen.
Wie sich in zahlreichen Versuchen und Testläufen gezeigt hat, funktioniert dieses Prinzip zuweilen auch sehr gut für Merkmale, bei denen es ein Fachmann für Steckverbinder zunächst nicht erwarten würde. Beispielsweise kann die Kl unter anderem auch in Hinblick auf Material und/oder Herstellungsverfahren trainiert werden. Dies geschieht dann sinnvollerweise mit Trainingsbildern, die den im jeweiligen Bereich vorkommenden Herstellungsverfahren und Materialien entsprechen. Dazu müssen die auf den Trainingsbildern gezeigten Objekte nicht unbedingt Bauteile zeigen, die dem Steckverbinderbereich entstammen, sondern sie müssen nur die entsprechenden herstellungs- und materialspezifischen Eigenheiten aufweisen. Alternativ kann die Kl aber auch ausschließlich mit Trainingsbildern von Bauteilen aus dem Steckverbinderbereich und insbesondere genau mit den betreffenden Bauteilen, z. B. Steckverbindergehäusen geschehen, wobei dann aber der Fokus der Merkmale auf dem Material und den Herstellungsverfahren liegt. Im Einzelnen kann das Training dem jeweiligen, manuell zu überprüfenden Lernerfolg empirisch angepasst werden.
Dadurch ist es in einer sehr speziellen Ausgestaltung beispielsweise auch möglich, die in einem ersten Schritt als „Steckverbindergehäuse“ identifizierten Objekte nachfolgend dem entsprechenden Material und/oder Herstellungsverfahren, z. B. Zinklegierung, Druckgussverfahren oder gar dem Zinkdruckgussverfahren zuzuordnen, und so eine Vorauswahl zu treffen, aus welcher in einem dritten Schritt eine endgültige Produktspezifische Zuordnung stattfindet.
Durch die vorgenannten Verfahren können also auf einem Bild oder in mehreren Bildern gezeigte Bauelemente, z. B. Steckverbindergehäuse Kontakteinsätze („Isolierkörper“) identifiziert werden.
Die Steckverbindergehäuse können weiterhin auch funktional klassifiziert werden in Tüllengehäuse, Anbaugehäuse und Sockelgehäuse. Alternativ oder ergänzend können sie nach Material und Herstellungsverfahren, aber alternativ oder ergänzend auch speziellen Produkten zugeordnet werden.
Weiterhin kann das Steckverbindergehäuse durch eines oder mehrere der folgenden Merkmale charakterisiert werden: o Vorhandensein und gegebenenfalls Art und Form einer Kabelverschraubung, o Art und Form einer Gehäuseverriegelung; o Art und Form einer Dichtung; o Vorhandensein und gegebenenfalls Art seiner Kodierung und/oder Polarisationsvorrichtung; geometrische Abmessungen des Steckverbindergehäuses, sowie o sein Material und/oder sein Herstellungsverfahren; o Vorhandensein und gegebenenfalls Art und Form eines PE (Protective Earth) - Elements; o Vorhandensein und gegebenenfalls Anzahl und Form einer oder mehrerer PE-Brücken.
In einer weiteren bevorzugten Ausgestaltung können die Kontakteinsätze durch zumindest eines der folgenden Merkmale charakterisiert werden: o Ihre Größe und geometrische Form; o zumindest eine Funktionskategorie; o Vorhandensein, sowie gegebenenfalls Art und Form, eines PE (Protective Earth) - Elements.
Die Funktionskategorie kann zumindest eines der folgenden Merkmale umfassen:
Elektrische Energieübertragung,
Analoge und/oder digitale elektronische Signalübertragung, optische und/oder optolektronische Signalübertragung,
Pneumatik, z. B. Luftdruckübertragung;
Für den Verfahrensschritt A2 können zusätzlich auch die folgenden Bauteilkategorien zur Verfügung stehen:
Steckverbindermodule,
Steckverbindermodularrahmen.
Die Steckverbindermodule weiterhin durch zumindest eines der folgenden Merkmale charakterisiert werden: o ihre geometrischen Abmessungen; o ihre Funktionskategorie; o Art und Form ihrer Rastmittel.
Die Funktionskategorie kann dabei durch eines der folgenden Merkmale gebildet sein:
Elektrische Energieübertragung;
Analoge und/oder digitale elektronische Signalübertragung; optische sowie optolektronische Signalübertragung;
Pneumatik, z. B. Luftdruckübertragung;
Messtechnik;
Datentechnik.
Die vorgenannte Funktionskategorie „Messtechnik“ kann weiterhin zumindest eine der folgenden Unterkategorien umfassen: o Wärmemessung; o Schwingungs-, und/oder Schall- und Vibrationsmessung; o Stromsensorik; o Spannungsmessung; o Elektrische Energiemessung; o Lichtmessung (photometrische Größen); o Translations- und/oder Rotationsgeschwindigkeitsmessung;
Die vorgenannte Funktionskategorie „Datentechnik“ kann zumindest eine der folgenden Unterkategorien umfassen: o Digitale elektronische Datenspeicherung; o Datenverteilung (z. B. Switche); o Datenverarbeitung (z. B. dezentrale Rechnereinheiten).
Weiterhin kann ein Steckverbindermodulrahmen durch zumindest eines der folgenden Merkmale charakterisiert werden: o Anzahl seiner Steckplätze; o Art und Form seines Mechanismus zur Aufnahme und Fixierung der Steckverbindermodule; o Stabilität / Eignung für Pneumatik; o sein Material (z. B. Metall oder Kunststoff) und/oder sein Herstellungsverfahren; o Vorhandensein und gegebenenfalls Art und Form seiner PE-Erdung.
Insbesondere kann das Verfahren auf die vorgenannte Weise eine künstliche Intelligenz (Kl)-basierte automatischen visuelle Erkennung (typischerweise mittels „Convolutional Neural Networks (CNNs)“ mit einer daran anschließenden algorithmischen Bildverarbeitung kombinieren.
Vorteilhafterweise erfolgen der Lernprozess und die Analyse einzelner Bauteile unter Berücksichtigung des physischen Aufbaus anderer Bauteile des Steckverbindersystems und insbesondere des gesamten Steckverbindersystems. Ausgehend von einem digitalen Bild eines Steckverbinders können so durch den vorgeschlagenen Prozess, beispielsweise das Streckverbindergehäuse, der Steckverbindermodularrahmen und die Einsätze besonders genau identifiziert und insbesondere gemäß ihrer funktionalen Beziehung zueinander geometrisch beschrieben werden. Durch die vorteilhafte sequenzielle Bearbeitungskette aus Steckverbinderidentifikation und algorithmischer Analyse wird eine hierarchische Beschreibung des Steckverbindersystems ermöglicht.
Von besonderem Vorteil ist es dabei, dass qualitative Zuordnungen und Vergleiche möglich sind, die im Stand der Technik mit einer bisherigen automatischen Erkennung nicht abbildbar waren. Das erfindungsgemäße Verfahren zeichnet sich insbesondere durch die Kombination einer künstlichen Intelligenz (Kl)-basierten automatischen visuellen Erkennung, beispielsweise mittels „Convolutional Neural Networks“ (CNNs), und der anschließenden algorithmischen Bildverarbeitung aus, und zwar unter Berücksichtigung des physischen Aufbaus eines Steckverbindersystems, also der funktionalen und geometrischen Beziehung zueinander. Ausführungsbeispiel
Im Folgenden wird ein bevorzugtes Ausführungsbeispiel der Erfindung anhand einer Zeichnung dargestellt und näher erläutert. Dazu wird ein System zur Identifikation eines industriellen Steckverbinders aus einer digitalen Bilddatei vorgestellt. Es zeigen:
Fig. 1 ein zu analysierendes Bild eines zu identifizierenden
Steckverbinders;
Fig. 2 ein Ablaufdiagram eines Verfahrens zur Identifikation der
Bauelemente aus einer zum Bild gehörenden digitalen Bilddatei.
Die Fig. 1 zeigt ein zu analysierendes Bild eines zu identifizierenden Steckverbinders 1. Das Bild zeigt im Einzelnen ein Anbaugehäuse 10 mit einem Verriegelungsbügel 11. In das Anbaugehäuse 10 ist ein Steckverbindermodularrahmen 2 eingeschraubt. Darin sind mehrere Steckverbindermodule 3, 3', 3" befestigt, von denen zwei 3, 3' der elektrischen Energieübertragung und eins 3" der elektrischen Signalübertragung dienen.
Die Fig. 2 zeigt ein Ablaufdiagram eines Verfahrens zur automatischen Identifikation des Industriesteckverbinders 1 aus dieser Bilddatei.
Das Verfahren wird mittels eines Computerprogramms auf einem Rechenserver durchgeführt, und umfasst folgende Schritte: a. Automatische Identifikation der Bauelemente 10, 2, 3, 3', 3" des Industriesteckverbinders 1 aus der Bilddatei, durch automatische visuelle Erkennung und Zuordnung der Bauelemente 10, 2, 3, 3', 3" als einzelne Objekte mittels künstlicher Intelligenz (Kl); b. Analyse der geometrischen Beziehungen und/oder funktionalen Zusammenhänge zwischen den einzelnen Bauelementen 10, 2, 3, 3', 3"; c. Extraktion individueller Merkmale der Bauelemente aus der Bilddatei unter Verwendung von aus Schritt b gewonnen Informationen.
Dabei wird der Verfahrensschritt a in der vorliegenden Ausführung noch einmal unterteilt in Verfahrensschritt a1 und den Verfahrensschritt a2.
In Verfahrensschritt a1 werden zunächst die folgenden Bauelemente mittels eines sogenannten „Convolutional Neuronal Networks“ (CNN) voneinander separiert, d.h. als verschiedene Objekte erkannt. In verfahrensschritt a2 werden sie den verschiedenen Bauteilkategorien zugeordnet.
Das System erkennt also in dem Verfahrensschritt a (also in a1 in Verbindung mit a2), aufgrund eines dem Verfahren vorangegangen Trainings, Folgendes:
Ein erstes Objekt 10, von der Kategorie „Steckverbindergehäuse“; ein zweites Objekt 2, von der Kategorie
„Steckverbindermodularrahmen“; drei dritte Objekte 3, 3', 3", von der Kategorie
„Steckverbindermodul“.
Dabei können die Objekte aber auch - je nach Art des vorangegangenen Trainings - konkreten Produkten, nämlich deren Produktbezeichnungen und/oder Artikelnummern zugeordnet werden.
In Verfahrensschritt b erkennt das Programm zunächst die geometrischen Beziehungen, nämlich, dass die Steckverbindermodule von dem Steckverbindermodularrahmen umschlossen werden und dass der Steckverbindermodularrahmen von dem Steckverbindergehäuse umschlossen wird. Mittels seines einprogrammierten Wissens folgert das Programm daraus, dass 1. die Steckverbindermodule 3, 3', 3" in dem Steckverbindermodularrahmen 2 befestigt, also darin gehalten, sind, und dass
2. der Steckverbindermodularrahmen 2 im Steckverbindergehäuse befestigt ist, und dass
3. die Steckverbindermodule 3, 3', 3" mit dem Steckverbindermodularrahmen 2 und der Steckverbindermodularrahmen 2 mit dem Gehäuse 10 jeweils kompatibel sind.
In einerweiteren Ausführung werden diese beiden Verfahrensschritte a1 und a2 durch eine geeignete Software gemeinsam, d. h. im Wesentlichen gleichzeitig, im beide umfassenden Verfahrensschritt a abgearbeitet.
Dabei wirkt sich nämlich Schritt a2 auch wieder auf Schritt a1 aus, indem die visuelle Erkennung bereits durch die mögliche Zuordnung verbessert wird. Die Kl ist dabei also besser in der Lage, ein einzelnes Bauteil als solches zu separieren, wenn sie zunehmend begreift, um welche Bauteilkategorie es sich dabei gegebenenfalls handeln könnte. Dabei spielen also sowohl visuelle Erkennung als auch programmiertes Wissen und/oder selbsterlernte Erfahrungen für das Verfahren eine wesentliche Rolle.
Optional kann zusätzlich in Verfahrensschritt a2 eine Zuordnung der erkannten Bauelemente zu zumindest einer Funktionskategorie erfolgen.
In Verfahrensschritt c werden weitere individuelle Merkmale der Bauelemente 10, 2, 3, 3', 3" identifiziert. Dazu gehört, ob der Steckverbindermodularrahmen 2 und/oder das Steckverbindergehäuse einen sogenannten „Protective Earth“ (PE) - also Schutzerdungskontakt - besitzen und welcher Art dieser gegebenenfalls ist, aus welchem Material der Steckverbindermodularrahmen besteht, welches Höhen- Breitenverhältnis die Bauelemente 10, 2, 3, 3', 3" besitzen. Bauteilübergreifend kann gefolgert werden, dass die Abmessungen sowie die Kodierung der jeweils miteinander verbundenen Bauelemente 10, 2, 3, 3', 3 miteinander übereinstimmen. Nach denselben Prinzipien können weitere visuelle/geometrische
Merkmale wie bspw. zur Gehäuseverriegelung, Dichtung, Kodierung, die exakte Ausgestaltung des PE-Elements des Gehäuses oder des Rahmens ihrer Hierarchie nach abgeleitet werden. Die algorithmische Bildverarbeitung bezieht dabei besondere physischer Merkmale, wie z. B. wiederholte Anordnungen, feste Relationen bei Rahmenlänge zu Rahmenbreite, Anzahl und Dimension der Module eines Steckverbindersystems mit ein.
Verfahren zur Identifikation von Industriesteckverbindern
Bezugszeichenliste Steckverbinder 0 Steckverbindergehäuse Steckverbindermodularrahmen , 3', 3 Steckverbindermodule

Claims

Verfahren zur Identifikation von Industriesteckverbindern Ansprüche
1. Verfahren zur Identifikation von Industriesteckverbindern mit folgenden Schritten: a. Automatische Identifikation von Bauelementen (10, 2, 3, 3', 3") eines Industriesteckverbinders (1) aus zumindest einer Bilddatei; b. Analyse der geometrischen Beziehungen und/oder funktionalen Zusammenhänge zwischen den Bauelementen (10, 2, 3, 3', 3"); c. Extraktion individueller Merkmale der Bauelemente (10, 2, 3, 3', 3") aus der Bilddatei unter Verwendung von aus Schritt b gewonnen Informationen.
2. Verfahren nach Anspruch 1 , wobei Verfahrensschritt a. zumindest die automatische visuelle Erkennung der Bauelemente (10, 2, 3, 3', 3") als einzelne Objekte und die Zuordnung der Bauelemente (10, 2, 3, 3', 3") zu Bauteilkategorien mittels künstlicher Intelligenz (Kl) umfasst;
3. Verfahren gemäß Anspruch 2, wobei für den Verfahrensschritt a zumindest die folgenden Bauteilkategorien zur Verfügung stehen:
Steckverbindergehäuse Kontakteinsätze („Isolierkörper).
4. Verfahren gemäß Anspruch 3, wobei ein Steckverbindergehäuse (1) weiterhin durch eines oder mehrere der folgenden Merkmale charakterisiert wird:
Tüllengehäuse;
Anbaugehäuse;
Sockelgehäuse.
5. Verfahren gemäß einem der Ansprüche 3 bis 4, wobei das Steckverbindergehäuse (1) weiterhin durch eines oder mehrere der folgenden Merkmale charakterisiert wird: o Vorhandensein und gegebenenfalls Art und Form einer Kabelverschraubung, o Art und Form einer Gehäuseverriegelung; o Art und Form einer Dichtung; o Vorhandensein und gegebenenfalls Art seiner Kodierung und/oder Polarisationsvorrichtung; o seine geometrischen Abmessungen; o sein Material und/oder sein Fierstellungsverfahren; o Vorhandensein und gegebenenfalls Art und Form eines PE (Protective Earth) - Elements; o Vorhandensein und gegebenenfalls Anzahl und Form einer oder mehrerer PE-Brücken.
6. Verfahren gemäß einem der Ansprüche 3 bis 5, wobei die Kontakteinsätze weiterhin durch zumindest eines der folgenden Merkmale charakterisiert werden: o Ihre Größe und geometrische Form; o zumindest eine Funktionskategorie; o Vorhandensein, sowie gegebenenfalls Art und Form, eines PE (Protective Earth) - Elements;
7. Verfahren gemäß Anspruch 6, wobei die Funktionskategorie zumindest eines der folgenden Merkmale umfasst:
Elektrische Energieübertragung,
Analoge und/oder digitale elektronische Signalübertragung, optische sowie optolektronische Signalübertragung, Pneumatik, z. B. Luftdruckübertragung;
8. Verfahren gemäß einem der Ansprüche 3 bis 7, wobei für den Verfahrensschritt A2 zusätzlich auch die folgenden Bauteilkategorien zur Verfügung stehen:
Steckverbindermodule,
Steckverbindermodularrahmen.
9. Verfahren gemäß Anspruch 8, wobei die Steckverbindermodule weiterhin durch zumindest eines der folgenden Merkmale charakterisiert werden: o ihre geometrischen Abmessungen; o ihre Funktionskategorie; o Art und Form ihrer Rastmittel.
10. Verfahren gemäß Anspruch 9, wobei zumindest eines der Bauelemente in Verfahrensschritt a2 zusätzlich zumindest einer der folgenden Funktionskategorien zugeordnet werden:
Elektrische Energieübertragung;
Analoge und/oder digitale elektronische Signalübertragung; optische sowie optolektronische Signalübertragung;
Pneumatik, z. B. Luftdruckübertragung;
Messtechnik;
Datentechnik.
11. Verfahren gemäß Anspruch 10, wobei die vorgenannte Funktionskategorie „Messtechnik“ zumindest eine der folgenden Unterkategorien umfasst: o Wärmemessung; o Schwingungs-, und/oder Schall- und Vibrationsmessung; o Stromsensorik; o Spannungsmessung; o Elektrische Energiemessung; o Lichtmessung (photometrische Größen); o Translations- und/oder Rotationsgeschwindigkeitsmessung.
12. Verfahren gemäß einem der Ansprüche 10 bis 11 , wobei die Funktionskategorie „Datentechnik“ zumindest eine der folgenden Unterkategorien umfasst: o Digitale elektronische Datenspeicherung; o Datenverteilung (z. B. Switche); o Datenverarbeitung (z. B. dezentrale Rechnereinheiten).
13. Verfahren nach einem der Ansprüche 7 bis 12, wobei ein Steckverbindermodularrahmen durch zumindest eines der folgenden Merkmal charakterisiert wird: o Anzahl seiner Steckplätze; o Art und Form seines Mechanismus zur Aufnahme und Fixierung der Steckverbindermodule; o Stabilität/Eignung für Pneumatik; o sein Material (z. B. Metall oder Kunststoff) und/oder sein Fierstellungsverfahren; o Vorhandensein und gegebenenfalls Art und Form seiner PE- Erdung.
14. Verfahren gemäß einem der Ansprüche 2 bis 13, wobei als Bauteilkategorien Artikelnummern verwendet werden.
15. Verfahren gemäß einem der Ansprüche 2 bis 14, wobei als Bauteilkategorien Produktbezeichnungen verwendet werden.
EP20824888.0A 2019-12-05 2020-11-25 Verfahren zur identifikation von industriesteckverbindern Pending EP4070262A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019133192.7A DE102019133192A1 (de) 2019-12-05 2019-12-05 Verfahren zur Identifikation von Industriesteckverbindern
PCT/DE2020/100998 WO2021110207A1 (de) 2019-12-05 2020-11-25 Verfahren zur identifikation von industriesteckverbindern

Publications (1)

Publication Number Publication Date
EP4070262A1 true EP4070262A1 (de) 2022-10-12

Family

ID=73838867

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20824888.0A Pending EP4070262A1 (de) 2019-12-05 2020-11-25 Verfahren zur identifikation von industriesteckverbindern

Country Status (6)

Country Link
US (1) US12051251B2 (de)
EP (1) EP4070262A1 (de)
KR (1) KR20220136348A (de)
CN (1) CN114746880A (de)
DE (1) DE102019133192A1 (de)
WO (1) WO2021110207A1 (de)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE29823003U1 (de) 1998-12-23 2000-04-27 Grote & Hartmann Gmbh & Co Kg, 42369 Wuppertal Elektrische Verbindereinheit
DE10152851A1 (de) * 2001-10-25 2003-05-15 Daimler Chrysler Ag Bildverarbeitungssystem
KR200322064Y1 (ko) 2003-05-19 2003-08-06 한국몰렉스 주식회사 케이블 접속용 커넥터
GB0721475D0 (en) * 2007-11-01 2007-12-12 Asquith Anthony Virtual buttons enabled by embedded inertial sensors
WO2013077991A1 (en) 2011-11-23 2013-05-30 3M Innovative Properties Company Latching connector assembly
EP3127192B1 (de) * 2014-04-02 2021-06-09 Harting Electric GmbH & Co. KG Modularer steckverbinder
DE102014005242B3 (de) * 2014-04-08 2015-07-09 SLE quality engineering GmbH & Co. KG Verfahren und Vorrichtung zum Bestimmen einer Winkellage von Einzelleitungen an einer vorbestimmten Querschnittsstelle in einer mehradrigen Mantelleitung
US10467501B2 (en) 2017-10-30 2019-11-05 Sap Se Computer vision architecture with machine learned image recognition models
DE102017128295A1 (de) * 2017-11-29 2019-05-29 Rittal Gmbh & Co. Kg Verfahren für die elektrische Verkabelung elektronischer Komponenten im Schaltanlagenbau und eine entsprechende Anordnung
DE102017011421B3 (de) 2017-12-11 2019-06-13 Yamaichi Electronics Deutschland Gmbh Steckverbinder mit Spannzange, Verwendung eines Steckverbinders und Verfahren zur Verbindung eines Steckverbinders mit einem Kabelende
DE102018103449A1 (de) * 2018-02-15 2019-08-22 Tkr Spezialwerkzeuge Gmbh Verfahren zur Identifikation eines Gegenstandes und Bereitstellung von Informationen
CN110363773B (zh) * 2018-12-19 2022-11-08 国网浙江省电力有限公司嘉兴供电公司 一种基于图像处理的电缆类别检测系统和检测方法

Also Published As

Publication number Publication date
DE102019133192A1 (de) 2021-06-10
US20240062559A1 (en) 2024-02-22
WO2021110207A1 (de) 2021-06-10
US12051251B2 (en) 2024-07-30
KR20220136348A (ko) 2022-10-07
CN114746880A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
DE2946360C2 (de)
DE3587061T2 (de) Bildverarbeitungseinrichtung und verfahren zu deren steuerung.
DE102019204139A1 (de) Training für künstliche neuronale Netzwerke mit besserer Ausnutzung der Lern-Datensätze
DE102007041893A1 (de) Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm
DE2128690A1 (de) Vorrichtung für die Texturanalyse eines nichthomogenen Mediums
DE2507174A1 (de) Verfahren und vorrichtung zur erzeugung digitaler repraesentationen eines objektes
EP4070262A1 (de) Verfahren zur identifikation von industriesteckverbindern
DE102020208474A1 (de) Messung der Empfindlichkeit von Klassifikatoren anhand zusammenwirkender Störungen
EP0043571A2 (de) Schaltungsanordnung zur maschinellen Zeichenerkennung
WO2021110208A1 (de) Verfahren zur identifikation von industriekabeln
DE102021111592A1 (de) Verfahren zur automatische Konfiguration industrieller Steckverbinder
DE102020208765A1 (de) Bildklassifikator mit variablen rezeptiven Feldern in Faltungsschichten
DE102020203514A1 (de) Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem
EP0770946A1 (de) Verfahren zur automatisierten optimalen Redundanz-Auslegung von Messungen für die Leittechnik in Kraftwerken
DE1549893A1 (de) Verfahren und Anordnung zur elektronischen Klassierung von Bildvorlagen
DE102019203808A1 (de) Verfahren und Datenverarbeitungsvorrichtung zum Analysieren einer Sensorverbundkonfiguration und zumindest teilautonomer Roboter
DE102019002139A1 (de) Verfahren zur Prozessdokumentation
DE102019201633A1 (de) Kalibrierung eines Sensors für ein Fahrzeug basierend auf objektseitigen und bildseitigen Identifikationsindizes eines Referenzobjektes
DE102011078286A1 (de) Verfahren und Vorrichtung zur mechanischen Bearbeitung von reihenförmig angeordneten Objekten
DE10009538B4 (de) Verfahren zur Analyse von Fingerabdruckbildern
DE102022128149A1 (de) Verfahren zum Betreiben eines Überwachungssystems einer Produktionseinrichtung für ein Kraftfahrzeug, Computerprogrammprodukt sowie Überwachungssystem
DE3116471C2 (de)
DE102023201929A1 (de) Verfahren und Vorrichtung zum Bereitstellen von Konfigurationsvorschlägen für eine Konfiguration eines modularen Produktionssystems
WO1980002591A1 (en) Process and installation for the measuring of an object without handling it
DE102023109354A1 (de) Computerimplementiertes Verfahren zum Vergleich verschiedener Simulationen von Verformungen einer Vorrichtung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220310

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230603

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20230921